3D金属打印机（3-D Metal Printing）、人造胚胎（Artificial Embryos）、传感城市（Sensing City）、给所有人的人工智能（AI for Everybody）、对抗性神经网络（Dueling Neural Networks）、巴别鱼耳塞（Babel-Fish Earbuds）、零碳排放天然气（Zero-Carbon Natural Gas）、完美网络隐私（Perfect Online Privacy）、基因占卜（Genetic Fortune-Telling）、材料的量子飞跃（Materials’ Quantum Leap）等入选了MIT2018全球十大突破性技术。
人造胚胎（Artificial Embryos）
UNIVERSITY OF CAMBRIDGE
突破性：未使用卵细胞或精子细胞，研究人员仅从干细胞就创造出了胚胎样结构（embryo-like structure），为创造生命提供了一条全新的途径。
重要性：人造胚胎将使研究人员更加容易地研究人类生命的神秘起源，但这一技术也正在引发新的生物伦理争论。
可用性：现在
关键研究者：剑桥大学、密歇根大学、洛克菲勒大学
在一项重新定义了如何创造生命的突破性研究中，英国剑桥大学的胚胎学家们仅利用干细胞（没有卵子，没有精子，只是从另一个胚胎中取出的细胞）就培育出了逼真的（realistic-looking）小鼠胚胎。
领导该研究的Magdelena Zernicka-Goetz说：“我们知道，干细胞具有不可思议的能力，但我们真的没有意识到，它们能够如此完美地自我组织（self-organize）。”
不过， Zernicka-Goetz表示，她的“合成”胚胎可能不能发育成小鼠。这也不是Zernicka-Goetz的目标。她想要研究，一个早期胚胎中的细胞如何开始发挥其特殊的作用。她还说，他们的下一步计划是用人类干细胞生成人造胚胎。密歇根大学和洛克菲勒大学的科学家们正在进行相关的研究。
人工合成的人类胚胎将是科学家们的福音，可以让他们弄清早期发育中发生的各种事件。同时，由于这类胚胎是从易操作的干细胞发育而来的，因此，研究人员将能够利用各种工具（如基因编辑）在它们生长的过程中调查它们。不过，
人造胚胎这一突破技术也引发了伦理问题。如果它们变得与真实的胚胎难以区分，我们该怎么办？ 在它们能够感觉疼痛之前（before they feel pain），它们能在实验室里成长多久？ 生物伦理学家们说，我们需要在科学竞赛愈演愈烈之前解决这些问题。
给所有人的人工智能（AI for Everybody）
MIGUEL PORLAN
突破性：基于云的人工智能技术（Cloud-based AI）使得这项技术的使用更便宜、更容易。
重要性：目前，AI的使用由少数几家公司主导，但作为一种基于云的服务，它能够被更多的人使用，从而推动经济增长。
可用性：现在
关键研究者：亚马逊、谷歌、微软
迄今为止，人工智能主要是像亚马逊、百度、谷歌和微软这样的大型科技公司以及一些初创公司的“利器”，对许多其他公司和经济领域来说，AI系统太昂贵，且太难完全实现了。
那么，让AI更普及的解决方案是什么呢？基于云的机器学习工具正在将AI带给更广泛的群体。到目前为止，亚马逊的 AWS 子公司主导着云AI（cloud AI），而谷歌正试图用TensorFlow（一个开源的AI库）来挑战它的地位。拥有自己AI云平台Azure的微软则选择与亚马逊合作，推出了一款开源深度学习库—— Gluon。
这些公司中的哪一家会成为提供人工智能云服务的领导者，目前还不清楚。但对于赢家来说，这是一个巨大的商机。如果人工智能革命将会在经济的不同领域更广泛地扩散，那么，这些云产品将是不可或缺的。
目前AI主要应用于科技行业，许多其他行业一直难以利用人工智能技术的发展。医疗、制造以及能源等行业如果能够更全面地推行人工智能技术，那么，这些行业可能将产生巨大的改变。
对抗性神经网络（Dueling Neural Networks）
DEREK BRAHNEY
突破性：两个AI系统可以通过相互对抗来创造逼真的图像和语音，此前，机器从未有过这种能力
重要性：这给机器带来类似想象力的能力，可以让它们不再那么依赖人类，同时也把它们变成了一种数字造假工具。
可用性：现在
主要研究者：Google Brain、DeepMind、Nvidia
人工智能（AI）在识别事物方面变得越来越擅长了：向它展示一百万张图片，它能以惊人的准确性告诉你哪张照片描绘了一个行人穿越街道。但是AI几乎不可能生成行人的图像。如果能做到这一点，它就能创造出大量逼真的合成画面，比如在各种环境下的行人。这样，自动驾驶系统可以在不出门的情况下使用这些图片进行训练。
但问题是，创造一个全新的东西需要想象力，而这一直困扰着AI。 直到2014年，蒙特利尔大学的一名博士生Ian Goodfellow在一家酒吧的学术辩论中，率先想到了解决方案。这种方法被称为“对抗式生成网络”（GAN），它采用了两种神经网络（人脑的简化数学模型，这是现代机器学习的基础），并在数字版猫捉老鼠游戏中相互对抗。
这两个神经网络都是在相同的数据集上进行训练的，其中一个被称为“发生器”（generator），负责依照所见过的图片来创造新的图片。另一个被称为鉴别器（discriminator），负责识别它所看到的图片是否像训练时的图片，还是发生器产生的虚假图像。
渐渐地，发生器可以创造出鉴别器不能识别出的图片。这项技术已经成为AI在过去十年中最有希望的进展之一，它能够帮助机器“骗过”人类。
目前，GAN已经被用于制作非常逼真的语音和假图片。举个例子，芯片制造商Nvidia的研究人员用明星照片训练出一个GAN系统，而这个系统生成了数百张不存在但看起来很真实的面孔。另一个研究小组则生成了很逼真的梵高作品。进一步训练之后，GAN可以用不同的方式重新创造图片，比如在干净的道路上铺上一层雪，或者把马变成斑马。
但GAN也不总是完美的，它可能会生成有两套把手的自行车或者，眉毛错位的脸。但由于图片和声音的逼真，一些专家认为，在某种意义上，GAN在某种程度上开始理解它们所见所听。这就意味着，随着想象力的获得，AI也有可能开始理解它在这个世界上所看到的东西。
基因占卜（Genetic Fortune-Telling）
DEREK BRAHNEY
突破性：科学家可以使用基因来预测人们未来患心脏病、乳腺癌的风险，甚至可以预测IQ。
重要性：基于DNA水平的预测技术可能是公共健康领域下一个重要突破，但它也会增加基因歧视风险。
可用性：现在
主要研究者：Helix、23andMe、Myriad Genetics、UK Biobank、Broad Institute
将来有一天，婴儿出生时就会得到一份DNA检测报告。这些报告将提供他们患心脏病或癌症的几率，是否对烟草上瘾，以及是否比一般人更聪明的预测。由于大型基因研究的陆续开展，这一天很快就会来临。
事实证明，最常见的疾病和包括智力等许多行为特征，都不是一个或几个基因的结果，而是许多基因作用的结果。利用正在进行的基因研究的数据，科学家们正在创造他们所谓的“多基因风险评分”。
尽管新的DNA检测提供的只是概率，而不是精确诊断，但它们仍可以极大地造福医学的发展。比如说，医生可以建议乳腺癌高危的女性多做乳房x光检查，而低风险的女性乳房x光检查则少做些，那么这些检查可能帮助发现更多的真正患癌症的病人，并能够减少 “假警报”的情况。
此外，制药公司还可以在针对阿尔茨海默病或心脏病等疾病的预防性药物的临床试验中使用这些信息，他们通过挑选患病风险更高的志愿者，从而可以更准确地测试药物的效果。
但问题是，这些预测远非完美。谁想知道他们未来可能会患上老年痴呆症?如果癌症风险评分低的人推迟接受筛查，然后又患上癌症怎么办?
多基因评分也有争议，因为它们可以预测任何个体特征，而不仅仅是疾病。比如说，他们现在可以预测一个人在智商测试中表现的10%。随着评分技术的提高，DNA智商的预测很可能会成为常规的检测。但是家长和教育工作者将如何使用这些信息呢?
行为遗传学家EricTurkheimer表示，基因数据是把双刃剑。“基因占卜”既让人兴奋，也令人担心。
参考资料
10 BREAKTHROUGH TECHNOLOGIES 2018
